考虑模态可信度的产品评论有用性识别研究

doi:10.16381/j.cnki.issn1003-207x.2023.1666

中国管理科学 ›› 2026, Vol. 34 ›› Issue (7): 157-165.doi: 10.16381/j.cnki.issn1003-207x.2023.1666

• • 上一篇

考虑模态可信度的产品评论有用性识别研究

杨颖¹^,²^,³, 唐思¹^,², 王安宁¹^,³(), 张强¹^,³

^1.合肥工业大学管理学院安徽合肥 230009
^2.过程优化与智能决策教育部重点实验室安徽合肥 230009
^3.智能决策与信息系统技术教育部工程研究中心，安徽合肥 230009

收稿日期:2023-10-12 修回日期:2025-01-12 出版日期:2026-07-25 发布日期:2026-06-18
通讯作者: 王安宁 E-mail:waning@hfut.edu.cn
基金资助:
国家自然科学基金项目(72071061);国家自然科学基金项目(72101078);国家自然科学基金项目(72171069);中央高校基本科研业务费专项资金项目(JZ2023YQTD0075);中央高校基本科研业务费专项资金项目(Z2023HGTB0280)

Identification of Usefulness for Online Review Considering the Reliability of Modalities

Ying Yang¹^,²^,³, Si Tang¹^,², Anning Wang¹^,³(), Qiang Zhang¹^,³

^1.School of Management，Hefei University of Technology，Hefei 230009，China
^2.Key Laboratory of Process Optimization & Intelligent Decision-making，Ministry of Education，Hefei University of Technology，Hefei 230009，China
^3.Engineering Research Center for Intelligent Decision-Making & Information System Technologies，Ministry of Education，Hefei 230009，China

Received:2023-10-12 Revised:2025-01-12 Online:2026-07-25 Published:2026-06-18
Contact: Anning Wang E-mail:waning@hfut.edu.cn

摘要/Abstract

摘要：

包含文本和图片的多模态产品评论已经成为电商平台上客户表达意见和形成口碑的主流形式。考虑到这两种分布异质的多模态数据的自身可靠性及其对产品在线评论价值影响的差异性，本文提出了一种考虑多模态可信度的在线产品评论有用性识别方法。利用该方法，充分考虑了文本和图片模态数据的异质性，并通过不同模态数据的交互获得模态间的一致性；设计了一个可信多视图融合模块，对单模态和跨模态视图进行不确定性估计，通过动态的证据融合策略和对比学习策略提高模型的整体可信度。在亚马逊网站的智能手机和家居用品等产品评论数据集上进行实例验证，结果表明，所提方法能够有效提升在线产品评论有用性识别的准确性，同时，增加了模型决策结果的可解释性。

关键词: 在线产品评论, 有用性识别, 多模态融合, 可信多视图学习

Abstract:

Multimodal product reviews， which include both text and images， have become the mainstream way for customers to express opinions and share word-of-mouth on e-commerce platforms. Previous studies on multimodal review usefulness primarily focus on feature representation and fusion， often neglecting the reliability of multimodal data. Considering the heterogeneity of these two types of multimodal data and their varying degrees of reliability in influencing the value of online product reviews， an online product review helpfulness recognition method is propased that incorporates multimodal credibility. The method fully accounts for the heterogeneity of textual and visual modalities and captures consistency information between modalities through their interaction. A credible multi-view fusion module is designed to estimate the uncertainty of both unimodal and cross-modal views， improving the overall reliability of the model through a dynamic evidence fusion strategy and a contrastive learning strategy. Empirical validation on multiple product review datasets from Amazon demonstrates that the proposed method effectively enhances the accuracy of online product review helpfulness recognition while increasing the interpretability of the model’s decision-making results.

Key words: online product reviews, helpfulness prediction, multimodal fusion, trusted multi-view learning

中图分类号:

TP391.1

杨颖,唐思,王安宁, 等. 考虑模态可信度的产品评论有用性识别研究[J]. 中国管理科学, 2026, 34(7): 157-165.

Ying Yang,Si Tang,Anning Wang, et al. Identification of Usefulness for Online Review Considering the Reliability of Modalities[J]. Chinese Journal of Management Science, 2026, 34(7): 157-165.

图/表 8

图1

表1

表2

表3

图2

图3

图4

表4

案例分析"

评论文本	评论图片	分类结果及其可信度( $u t, u i, u f$ )	总体可信度	最终预测结果	标签
great phone with good camera quality pros the phone has a good camera and very good screen quality……		(1,1,1)(0.6615,0.4015,0.7713)	0.9453	1	1
Very good very good		(0,1,0)(0.340,0.4035,0.3700)	0.6120	0	0

表4

参考文献 27

[1]	Wang C， Chen G， Wei Q. A temporal consistency method for online review ranking［J］. Knowledge-Based Systems， 2018， 143： 259-270.
[2]	Mudambi S M， Schuff D. What makes a helpful online review？ A study of customer reviews on Amazon.Com1［J］. MIS Quarterly， 2010， 34（1）： 185-200.
[3]	苗蕊，徐健. 评分不一致性对在线评论有用性的影响——归因理论的视角［J］. 中国管理科学， 2018， 26（5）： 178-186.
	Miao R， Xu J. The impact of rating inconsistency on online review helpfulness： A perspective on attribution theory［J］. Chinese Journal of Management Science， 2018， 26（5）： 178-186.
[4]	Liu J， Hai Z， Yang M， et al. Multi-perspective coherent reasoning for helpfulness prediction of multimodal reviews［C］//Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing （Volume 1： Long Papers），Online， August 1-6 ， ACL， 2021： 5927-5936.
[5]	Ren G， Diao L， Kim J. DMFN： A disentangled multi-level fusion network for review helpfulness prediction［J］. Expert Systems with Applications， 2023， 228： 120344.
[6]	Ren G， Diao L， Guo F， et al. A co-attention based multi-modal fusion network for review helpfulness prediction［J］. Information Processing & Management， 2024， 61（1）： 103573.
[7]	Han Z， Zhang C， Fu H， et al. Trusted multi-view classification with dynamic evidential fusion［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（2）： 2551-2566.
[8]	Ren G， Hong T. Examining the relationship between specific negative emotions and the perceived helpfulness of online reviews［J］. Information Processing & Management， 2019， 56（4）： 1425-1438.
[9]	Liu Y， Huang X， An A， et al. Modeling and predicting the helpfulness of online reviews［C］//Proceedings of 2008 Eighth IEEE International Conference on Data Mining， Pisa， Italy，December 15-19， IEEE， 2008： 443-452.
[10]	Zhang Y， Lin Z. Predicting the helpfulness of online product reviews： A multilingual approach［J］. Electronic Commerce Research and Applications， 2018， 27： 1-10.
[11]	Li X， Wu C， Mai F. The effect of online reviews on product sales： A joint sentiment-topic analysis［J］. Information & Management， 2019， 56（2）： 172-184.
[12]	Hong H， Xu D， Wang G A， et al. Understanding the determinants of online review helpfulness： A meta-analytic investigation［J］. Decision Support Systems， 2017， 102： 1-11.
[13]	Siering M， Muntermann J， Rajagopalan B. Explaining and predicting online review helpfulness： The role of content and reviewer-related signals［J］. Decision Support Systems， 2018， 108： 1-12.
[14]	Kim S M， Pantel P， Chklovski T， et al. Automatically assessing review helpfulness［C］//Proceedings of the 2006 Conference on Empirical Methods in Natural Language Processing，Sydney， Australia， July 22-23 ， ACL， 2006： 423-430.
[15]	张艳丰，李贺，彭丽徽，等. 基于情感语义特征抽取的在线评论有用性分类算法与应用［J］. 数据分析与知识发现， 2017， 1（12）： 74-83.
	Zhang Y F， Li H， Peng L H， et al. Identifying useful online reviews with semantic feature extraction［J］. Data Analysis and Knowledge Discovery， 2017， 1（12）： 74-83.
[16]	Lee S， Choeh J Y. Predicting the helpfulness of online reviews using multilayer perceptron neural networks［J］. Expert Systems with Applications， 2014， 41（6）： 3041-3046.
[17]	张婧，周怡欣，胡涵，等. 基于知识采纳模型和多层感知机神经网络的评论有用性识别研究［J］. 中国管理科学， 2022， 30（4）： 264-274.
	Zhang J， Zhou Y X， Hu H， et al. Identification of usefulness for online reviews based on knowledge adoption model and multilayer perceptron neural network［J］. Chinese Journal of Management Science， 2022， 30（4）： 264-274.
[18]	Kong L， Li C， Ge J， et al. Predicting product review helpfulness-a hybrid method［J］. IEEE Transactions on Services Computing， 2022， 15（4）： 2213-2225.
[19]	Olmedilla M， Rocío Martínez-Torres M， Toral S. Prediction and modelling online reviews helpfulness using 1D convolutional neural networks［J］. Expert Systems with Applications， 2022， 198： 116787.
[20]	李雪梅，蒋建洪. 基于改进图卷积神经网络的评论有用性识别［J］. 数据分析与知识发现，2022，6（11）：38-51.
	Li X M， Jiang J H. Identifying useful reviews with improved graph convolutional neural network［J］. Data Analysis and Knowledge Discovery， 2022， 6（11）： 38-51.
[21]	马超，李纲，陈思菁，等. 基于多模态数据语义融合的旅游在线评论有用性识别研究［J］. 情报学报， 2020， 39（2）： 199-207.
	Ma C， Li G， Chen S J， et al. Research on usefulness recognition of tourism online reviews based on multimodal data semantic fusion［J］. Journal of the China Society for Scientific And Technical Information， 2020， 39（2）： 199-207.
[22]	Ma Y， Xiang Z， Du Q， et al. Effects of user-provided photos on hotel review helpfulness： An analytical approach with deep leaning［J］. International Journal of Hospitality Management， 2018， 71： 120-131.
[23]	Xiao S， Chen G， Zhang C， et al. Complementary or substitutive？ A novel deep learning method to leverage text-image interactions for multimodal review helpfulness prediction［J］. Expert Systems with Applications， 2022， 208： 118138.
[24]	Nguyen T， Wu X， Luu A T， et al. Adaptive contrastive learning on multimodal transformer for review helpfulness prediction［C］//Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. Abu Dhabi， United Arab Emirates， December 7-11 ， ACL， 2022： 10085-10096.
[25]	Fan M， Feng C， Guo L， et al. Product-aware helpfulness prediction of online reviews［C］//The Web Conference 2019： Proceedings of the World Wide Web Conference， San Francisco， CA， USA， May 13-17， ACM， 2019： 2715-2721.
[26]	张继东，张慧迪. 融合注意力机制的多模态突发事件用户情感分析［J］. 情报理论与实践， 2022， 45（11）： 170-177.
	Zhang J D， Zhang H D. Multimodal user emotion analysis of emergencies based on attention mechanism［J］. Information Studies （Theory & Application）， 2022， 45（11）： 170-177.
[27]	Du J， Rong J， Wang H， et al. Neighbor-aware review helpfulness prediction［J］. Decision Support Systems， 2021， 148： 113581.

方法类别	方法名称	智能手机数据集			家居用品数据集
方法类别	方法名称	准确率	F1值	AUC	准确率	F1值	AUC
单模态	PRH-Net	0.8403	0.8131	0.9096	0.8267	0.8285	0.7376
	CNN	0.6551	0.3958	0.6337	0.7185	0.8273	0.7311
	BiLSTM_Att	0.8420	0.8207	0.9193	0.8242	0.8300	0.7401
	VGG19_Att	0.6686	0.4007	0.5440	0.7020	0.8113	0.7232
多模态	BERT-CNN-cat	0.8522	0.8379	0.8592	0.8387	0.8445	0.7752
	Att-BiLSTM-VGG	0.8539	0.8385	0.8724	0.8372	0.8496	0.7552
	ACLMT	0.8564	0.8336	0.9296	0.8432	0.8562	0.7856
	CSIMD	0.8547	0.8366	0.9185	0.8397	0.8498	0.7700
	本实验	0.8683	0.8471	0.9335	0.8488	0.8562	0.7864

模型	准确率	F1值	AUC
PRH-Net	0.0004^***	0.0014^***	0.0001^***
CNN	0.0000^***	0.0000^***	0.0000^***
BiLSTM_Att	0.0034^***	0.0141^**	0.0004^***
VGG19_Att	0.0000^***	0.0000^***	0.0000^***
BERT-CNN-cat	0.0004^***	0.0053^***	0.0000^***
Att-BiLSTM-VGG	0.0056^***	0.009^***	0.0001^***
ACLMT	0.0285^**	0.0061^***	0.0890^*
CSIMD	0.0118^**	0.0289^**	0.0009^***
本实验	-	-	-

模型	准确率	F1值	AUC
CMA	0.8531	0.8328	0.9060
CL	0.8593	0.8386	0.9298
CS	0.8573	0.8379	0.9296
TM	0.8530	0.8351	0.9015
本文方法	0.8683	0.8471	0.9335

考虑模态可信度的产品评论有用性识别研究

Identification of Usefulness for Online Review Considering the Reliability of Modalities

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 27

相关文章 3

Metrics

本文评价

推荐阅读 0

[1]	施文, 渠玉杰, 王小双. 考虑文本结构特征的产品召回监督主题模型及应用研究[J]. 中国管理科学, 2026, 34(2): 103-119.
[2]	张忠良,费秦君,陈愉予,雒兴刚. 基于BERT模型和动态集成选择的多分类文本情感识别研究[J]. 中国管理科学, 2024, 32(6): 140-150.
[3]	张婧, 周怡欣, 胡涵, 卞亦文. 基于知识采纳模型和多层感知机神经网络的评论有用性识别研究[J]. 中国管理科学, 2022, 30(4): 264-274.